JP7613871B2 - Fire detection system and fire detection method - Google Patents
Fire detection system and fire detection method Download PDFInfo
- Publication number
- JP7613871B2 JP7613871B2 JP2020170526A JP2020170526A JP7613871B2 JP 7613871 B2 JP7613871 B2 JP 7613871B2 JP 2020170526 A JP2020170526 A JP 2020170526A JP 2020170526 A JP2020170526 A JP 2020170526A JP 7613871 B2 JP7613871 B2 JP 7613871B2
- Authority
- JP
- Japan
- Prior art keywords
- fire
- observation data
- judgment result
- observation
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
Description
本発明は、監視領域の観測対象を観測して火災を検出する火災検出システム及び火災検出方法に関する。 The present invention relates to a fire detection system and a fire detection method that detects fires by observing an object in a monitoring area.
監視領域の観測対象を観測して火災を検出する火災検出システムとしては、例えば、自動車用道路トンネル内から放射される光を観測し、炎に特有の光が発生したと判断した場合に火災を検出する炎検出装置がある。 An example of a fire detection system that detects fires by observing objects in a monitored area is a flame detection device that observes light emitted from inside a road tunnel and detects a fire if it determines that light characteristic of a flame has been generated.
このような炎検出装置は、監視領域からの光の放射を観測しており、火災発生に伴い炎から放射される光（赤外線エネルギー）を観測して火災を検出する（特許文献１～３）。例えば、２波長式の炎検出装置は、炎から放射されるＣＯ2共鳴放射波長帯域である４．５μｍ付近の光と、ＣＯ2共鳴放射帯域以外の例えば５．０μｍ付近の光を観測し、この二つの波長帯域の光の観測データの相対比が炎の発生を示す値であって、且つ、ＣＯ2共鳴放射帯域の光の観測波形が炎特有のちらつき周波数成分を有する場合に火災と判断し、例えば、防災受信盤に火災信号を送信して火災警報動作を行わせている。
Such flame detection devices observe the emission of light from a monitoring area, and detect fires by observing the light (infrared energy) emitted from a flame when a fire breaks out (
トンネル内に設置されている炎検出装置は、通常時にも、道路を通行する車両のヘッドライト、緊急車両の点滅又は明滅する警告灯、トンネル内の照明器具、トンネル出入り口側に設置された場合の太陽光、保守点検に伴う作業者（人体）等からの様々な波長や強度の光の放射を受けているが、これらの外乱光と火災に伴う炎から放射される光を識別するための識別機能が設けられており、火災（ここでは火災炎）識別性能を高めるようにしている。 Even under normal circumstances, flame detection devices installed inside tunnels are exposed to radiation of various wavelengths and intensities of light from the headlights of vehicles passing on the road, the flashing or blinking warning lights of emergency vehicles, lighting fixtures inside the tunnel, sunlight if installed at the entrance and exit of the tunnel, and workers (human bodies) involved in maintenance and inspection. However, they are equipped with a discrimination function to distinguish between this external light and the light emitted from flames associated with a fire, thereby improving fire (here, fire flame) discrimination performance.
また、このような識別機能を含め、火災検出システムが正常に動作しているか否かを例えば自己診断し、正常でないと診断された場合には、故障や機能障害を示す信号を出力して防災受信盤から報知するといったことも行われている。 In addition, the fire detection system, including this identification function, may perform a self-diagnosis to check whether it is operating normally, and if it is diagnosed as not operating normally, a signal indicating a malfunction or failure may be output and reported from the disaster prevention receiving panel.
しかしながら、正常と診断された状態でも、火災炎から放射される光に類似した外乱光を火災と判断し、防災受信盤から非火災報が出力される可能性を完全に排除することは困難であった。 However, even when diagnosed as normal, it was difficult to completely eliminate the possibility that disturbance light similar to the light emitted from a fire flame would be judged to be a fire and a non-fire alarm would be output from the disaster prevention receiving panel.
このような場合、それが非火災報であることが確認されるまでは、警報表示板設備等により進入禁止警報を行って車両のトンネル通行を禁止し、管理担当者が現場（火災と判断した炎検出装置の設置場所）に出向いて確認する必要があり、トンネル通行を再開するまでに手間と時間がかかり、交通渋滞を招くなどの影響が小さくない。 In such cases, until it is confirmed that the incident is not a fire, a no-entry warning must be issued using warning signs or other means to prohibit vehicles from passing through the tunnel, and management personnel must go to the site (the location of the flame detection device that determined it to be a fire) to check the situation, which takes time and effort to reopen tunnel traffic and can have a significant impact, such as causing traffic congestion.
このような「非火災報」の他に、炎検出装置の内部的要因によって火災と誤判断される等の誤動作が生じて、火災でないにも関わらず火災警報が出力される「誤報」があり、誤報についても非火災報と同様の影響がある。 In addition to these "non-fire alarms," there are also "false alarms" that occur when an internal factor in the flame detection device causes it to malfunction, such as misjudging a fire, resulting in a fire alarm being issued even when there is no fire. False alarms have the same impact as non-fire alarms.
誤報の原因としては、例えば、炎検出装置を構成する電気回路の部品故障や劣化に伴い発生する電気的な自発ノイズがある。また、炎検出装置に付随する配線不良や絶縁劣化等に伴う、疑火災信号の発生も報告されている。炎検出装置の自己診断時には、このような故障や劣化、不良についても診断されるが、所定周期で実施される診断の間隔期間において回路故障や劣化に至る場合、つまり前回の診断で正常であって次の診断を行うまでの期間中に回路故障や劣化に至った場合には、これに伴う自発ノイズが受光回路に波及する場合、光の入力信号として処理されて、炎から放射された光と誤認する場合がある。 False alarms can be caused, for example, by spontaneous electrical noise that occurs when components in the electrical circuits that make up the flame detection device fail or deteriorate. There have also been reports of false fire signals occurring due to faulty wiring or insulation deterioration associated with the flame detection device. During self-diagnosis of the flame detection device, such failures, deterioration, and defects are also diagnosed, but if a circuit fails or deteriorates during the interval between diagnoses that are performed at a specified interval, that is, if the previous diagnosis was normal but a circuit fails or deteriorates during the period until the next diagnosis is performed, the spontaneous noise that accompanies this can spread to the light receiving circuit and be processed as an optical input signal, which can be mistaken for light emitted from a flame.
なお、以降の説明においては便宜的に非火災報と誤報とを区別せず、両者をあわせて「非火災報」とする場合がある。 In the following explanation, for convenience, there will be no distinction between non-fire alarms and false alarms, and both will be referred to as "non-fire alarms."
本発明は、従来に比べて火災識別性能を高めた火災検出システム及び火災検出方法を提供し、非火災報や誤報を低減することを目的とする。 The present invention aims to provide a fire detection system and a fire detection method that have improved fire identification performance compared to conventional systems, thereby reducing false fire alarms and false alarms.
（火災検出システム１）
本発明は、火災検出システムであって、
監視領域の観測対象の観測データに所定の火災判断処理を実行して取得した第１火災判断結果と、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果とに基づいて、火災を検出することを特徴とする。
(Fire Detection System 1)
The present invention provides a fire detection system, comprising:
A feature of this system is that it detects fires based on a first fire judgment result obtained by executing a predetermined fire judgment process on observation data of an object observed in a monitored area, and a second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data.
ここで、「観測データ」とは、監視領域の観測対象の観測により得られた観測値信号（アナログ信号）を、所定周波数でサンプリングしてＡ／Ｄ変換した所定時間ごとの時系列データを意味する。また、「火災判断処理」とは、火災と判断する所定条件を満たすか満たさないかを判断するためのアルゴリズム（実質的にはコンピュータのプログラム）であり、「第１火災判断結果」は、その判断結果である。 Here, "observation data" refers to time series data at a specified time interval that is obtained by sampling the observation value signal (analog signal) obtained by observing the object in the monitored area at a specified frequency and A/D converting it. Also, "fire determination process" refers to an algorithm (essentially a computer program) for determining whether or not a specified condition for determining that there is a fire is met, and "first fire determination result" refers to the result of that determination.
また、「機械学習処理に基づく火災判断処理」とは、火災らしさの度合が高いか低いかを予測するためのアルゴリズム（実質的にはコンピュータのプログラム）であり、「第２火災判断結果」は、その予測結果を定量的に表して評価し、これに基づき火災判断した結果である。ここで、「機械学習」とは、入力と出力の両方を含むデータセットから構築した数学モデルに、未知のデータを入力して出力を予測することであり、本発明の「機械学習処理」に対応させると、予め収集した観測データと当該予め収集した観測データによる第２火災判断結果の両方を含む学習データから構築（学習）した数学モデル（学習モデル部）に、新たな観測データを入力して、当該新たな観測データに対応する火災らしさの度合いの予測結果を導いて、これに基づく第２火災判断結果を得ることである。本実施形態における機械学習については、後で詳細に説明する。 The "fire judgment process based on machine learning processing" is an algorithm (essentially a computer program) for predicting whether the degree of fire likelihood is high or low, and the "second fire judgment result" is the result of quantitatively expressing and evaluating the prediction result and judging the fire based on this. Here, "machine learning" means inputting unknown data into a mathematical model constructed from a data set including both input and output, and predicting the output. When applied to the "machine learning processing" of the present invention, it means inputting new observation data into a mathematical model (learning model section) constructed (learned) from learning data including both previously collected observation data and the second fire judgment result based on the previously collected observation data, deriving a prediction result of the degree of fire likelihood corresponding to the new observation data, and obtaining a second fire judgment result based on this. Machine learning in this embodiment will be described in detail later.
（火災検出システム２）
また、本発明は、火災検出システムであって、
監視領域からの光の放射を観測して収集した観測データに所定の火災判断処理を実行して取得した第１火災判断結果と、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果とに基づいて、火災を検出することを特徴とする。
(Fire Detection System 2)
The present invention also provides a fire detection system, comprising:
A feature of this system is that it detects fires based on a first fire judgment result obtained by executing a predetermined fire judgment process on observation data collected by observing the emission of light from a monitored area, and a second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data.
（火災検出システム３）
また、本発明は、火災検出システムであって、
監視領域からの光の放射を観測する観測部と、
観測部で観測して収集した観測データに所定の火災判断処理を実行して第１火災判断結果を取得する第１処理部と、
観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出する第２処理部と、
第１火災判断結果と第２火災判断結果とに基づいて、監視領域の火災を検出する火災検出部と、
を備えたことを特徴とする。
(Fire Detection System 3)
The present invention also provides a fire detection system, comprising:
an observation unit for observing light emission from a monitoring area;
a first processing unit that executes a predetermined fire determination process on the observation data observed and collected by the observation unit to obtain a first fire determination result;
A second processing unit that executes a fire determination process based on a predetermined machine learning process on the observation data to calculate a second fire determination result;
a fire detection unit that detects a fire in a monitoring area based on the first fire judgment result and the second fire judgment result;
The present invention is characterized by comprising:
（第２火災判断結果）
第２火災判断結果は、火災でない場合の０から火災である場合の１の範囲の値となる。すなわち、火災のときの観測データによる第２火災判断結果が１（又は１００％）、火災でないときの観測データによる第２火災判断結果が０（又は０％）であり、観測データに応じて第２火災判断結果は０から１（又は０％から１００％）の範囲をとる。
(Second fire judgment result)
The second fire judgment result is a value ranging from 0 when there is no fire to 1 when there is a fire. That is, when the second fire judgment result based on the observation data during a fire is 1 (or 100%), The second fire judgment result based on the observation data at this time is 0 (or 0%), and the second fire judgment result ranges from 0 to 1 (or 0% to 100%) depending on the observation data.
（機械学習）
第２処理部は、
観測データを入力して第２火災判断結果を出力する機械学習部を備え、
機械学習部は、
少なくとも第２火災判断結果が０となる場合を正解（教師）とする通常監視時の観測データを予め学習データとして入力して機械学習し、
機械学習後に新たに観測された観測データを入力して第２火災判断結果を出力する。
(Machine Learning)
The second processing unit is
A machine learning unit is provided which inputs observation data and outputs a second fire judgment result,
The Machine Learning Department
A case where at least the second fire judgment result is 0 is regarded as a correct answer (teacher), and the observation data during normal monitoring is input as learning data in advance to perform machine learning;
After machine learning, newly observed observation data is input and a second fire judgment result is output.
（第１観測データと第２観測データに基づく火災判断１）
観測部は、
火災に伴い炎から放射される第１波長帯域の光の第１観測データと、
第１波長帯域以外の光の第２観測データと、
を収集し、
第１処理部は、第１観測データ及び第２観測データに基づいて、第１火災判断結果を取得し、
第２処理部は、第１観測データ及び第２観測データに基づいて、第２火災判断結果を算出する。
(Fire judgment based on the first and second observation data 1)
The observation section is
First observation data of light in a first wavelength band emitted from a flame associated with a fire;
Second observation data of light outside the first wavelength band; and
Collect and
The first processing unit acquires a first fire determination result based on the first observation data and the second observation data,
The second processing unit calculates a second fire judgment result based on the first observation data and the second observation data.
（第１観測データと第２観測データに基づく火災判断２）
観測部は、
火災に伴い炎から放射された第１波長帯域の光の第１観測データと、
第１波長帯域以外の光の第２観測データと、
を収集し、
第１処理部は、第１観測データの所定期間ごとの第１積分値と、当該第１積分値と第２観測データの所定期間ごとの第２積分値との比率に基づいて、第１火災判断結果を取得し、
第２処理部は、第１処理部で生成された第１積分値と比率に基づいて、第２火災判断結果を算出する。
(Fire judgment based on the first and second observation data 2)
The observation section is
First observation data of light in a first wavelength band emitted from a flame associated with a fire;
Second observation data of light outside the first wavelength band; and
Collect and
the first processing unit acquires a first fire determination result based on a first integral value of the first observation data for each predetermined period and a ratio between the first integral value and a second integral value of the second observation data for each predetermined period;
The second processing unit calculates a second fire determination result based on the first integral value and the ratio generated by the first processing unit.
（火災検出）
火災検出部は、第１火災判断結果が所定条件を満たし、且つ、第２火災判断結果が所定値以上又は所定値を超えた場合に、火災検出とする。
(Fire detection)
The fire detection unit determines that a fire is detected when the first fire judgment result satisfies a predetermined condition and the second fire judgment result is equal to or greater than a predetermined value or exceeds a predetermined value.
（火災予兆検出）
火災検出部は、
第１火災判断結果が所定条件を満たし、且つ、第２火災判断結果が所定値未満若しくは所定値以下の場合、又は、
第１火災判断結果が所定条件を満たさず、且つ、第２火災判断結果が所定値以上若しくは所定値を超えた場合に、
火災予兆検出とする。
(Fire warning detection)
The fire detection section is
When the first fire judgment result satisfies a predetermined condition and the second fire judgment result is less than a predetermined value or equal to or less than a predetermined value, or
When the first fire judgment result does not satisfy the predetermined condition and the second fire judgment result is equal to or exceeds a predetermined value,
It is used to detect signs of fire.
（火災検出システムの配置）
また、本発明の火災検出システムは、
観測部、第１処理部及び火災検出部が設けられた炎検出装置と、
炎検出装置を接続し、第２処理部が設けられた防災受信盤と、
を備えたことを特徴とする。
(Location of fire detection system)
In addition, the fire detection system of the present invention includes:
A flame detection device provided with an observation unit, a first processing unit, and a fire detection unit;
a disaster prevention receiving panel to which the flame detection device is connected and to which a second processing unit is provided;
The present invention is characterized by comprising:
（火災検出方法１）
本発明は、火災検出方法であって、
監視領域の観測対象の観測データに所定の火災判断処理を実行して取得した第１火災判断結果と、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果とに基づいて、火災を検出することを特徴とする。
(Fire detection method 1)
The present invention provides a fire detection method, comprising:
A feature of this system is that it detects fires based on a first fire judgment result obtained by executing a predetermined fire judgment process on observation data of an object observed in a monitored area, and a second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data.
（火災検出方法２）
本発明は、火災検出方法であって、
監視領域からの光の放射を観測して収集した観測データに所定の火災判断処理を実行して取得した第１火災判断結果と、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果とに基づいて、火災を検出することを特徴とする。
(Fire detection method 2)
The present invention provides a fire detection method, comprising:
A feature of this system is that it detects fires based on a first fire judgment result obtained by executing a predetermined fire judgment process on observation data collected by observing the emission of light from a monitored area, and a second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data.
（火災検出方法３）
また、本発明は、火災検出方法であって、
観測部により、監視領域からの光の放射を観測し、
第１処理部により、観測部で観測して収集した観測データに所定の火災判断処理を実行して第１火災判断結果を取得し、
第２処理部により、観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出し、
火災検出部により、第１火災判断結果と第２火災判断結果とに基づいて、監視領域の火災を検出する、
ことを特徴とする。それ以外の特徴は、火災検出装置の場合と同様となる。
(Fire detection method 3)
The present invention also provides a fire detection method, comprising:
The observation unit observes the light emitted from the monitored area;
A first processing unit executes a predetermined fire judgment process on the observation data observed and collected by the observation unit to obtain a first fire judgment result;
A second processing unit executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
A fire in the monitored area is detected by a fire detection unit based on the first fire determination result and the second fire determination result.
The other features are the same as those of the fire detection device.
（火災検出システムの効果）
本発明の火災検出システムによれば、監視領域からの光の放射を観測して収集した観測データに所定の火災判断処理を実行して取得した第１火災判断結果と、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果とに基づいて火災を検出することで、従来に比べて火災識別性能を高めることができ、火災でないにも関わらず火災と判断して報知する非火災報の問題を未然に防止可能とする。
(Effectiveness of fire detection systems)
According to the fire detection system of the present invention, fires can be detected based on a first fire judgment result obtained by executing a predetermined fire judgment process on observation data collected by observing the emission of light from a monitored area, and a second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data.This makes it possible to improve fire identification performance compared to conventional systems, and to prevent the problem of false fire alarms, where a fire is judged to be present even when there is no fire.
（第２火災判断結果の効果）
また、第２火災判断結果は、火災でない場合の０から火災である場合の１の範囲の値となることから、火災らしさ（火災発生の確からしさ）の度合を定数的に把握して確実な火災の検出を可能とする。
(Effect of the second fire judgment result)
In addition, since the second fire judgment result is a value ranging from 0 if there is no fire to 1 if there is a fire, it enables the degree of fire-likelihood (probability of a fire occurring) to be grasped as a constant, making it possible to reliably detect fires.
（機械学習の効果）
第２処理部は、観測データを入力して第２火災判断結果を出力する機械学習部を備え、機械学習部は、少なくとも第２火災判断結果が０となる場合を正解（教師）とする通常監視時の観測データを予め学習データとして入力して機械学習し、機械学習後に新たに観測された観測データを入力して第２火災判断結果を出力することで、第２火災判断結果を算出するための条件等を人為的に考え出して決定する必要がなく、機械学習によって未知の観測データであっても高い精度で第２火災判断結果を出力することができる。この学習データは、炎検出装置が実際に設置された環境での観測データであることから、一般的な現象とは異なる設置場所特有の現象が存在する場合には、設置場所に特化した、更に高い精度で第２火災判断結果を算出することができる。
(Effects of machine learning)
The second processing unit includes a machine learning unit that inputs observation data and outputs a second fire judgment result, and the machine learning unit inputs observation data during normal monitoring as learning data in advance, with the correct answer (teacher) being at least the case where the second fire judgment result is 0, and performs machine learning, and inputs newly observed observation data after the machine learning to output the second fire judgment result, so that it is not necessary to artificially come up with and determine conditions, etc. for calculating the second fire judgment result, and the second fire judgment result can be output with high accuracy even for unknown observation data by machine learning. Since this learning data is observation data in the environment where the flame detection device is actually installed, if there is a phenomenon specific to the installation location that is different from a general phenomenon, the second fire judgment result can be calculated with even higher accuracy specialized for the installation location.
また、機械学習は、学習データとして、第２火災判断結果が１となる場合を正解とする「火災時の観測データ」と、第２火災判断結果が０となる場合を正解とする「通常監視時の観測データ」を予め入力して機械学習を行うものであるが、火災の発生頻度は極めて少なく例外的なものであることから、「火災時の観測データ」は、学習データとしての収集が困難である。一方、「通常監視時の観測データ」は、火災が発生していない通常監視時に観測される観測データであり、火災検出システムの運用を通じて簡単且つ容易に大量の学習データとして収集することできる。このため、大量に収集できる「通常監視時の観測データ」を学習データとして機械学習することで、観測データを入力して第２火災判断結果を出力する学習機械部の精度を高めることができる。 In addition, machine learning is performed by inputting as learning data in advance "observation data during a fire", in which a case where the second fire judgment result is 1 is the correct answer, and "observation data during normal monitoring", in which a case where the second fire judgment result is 0 is the correct answer. However, since fires occur very rarely and are exceptional, it is difficult to collect "observation data during a fire" as learning data. On the other hand, "observation data during normal monitoring" is observation data observed during normal monitoring when no fires have occurred, and can be collected simply and easily as large amounts of learning data through the operation of the fire detection system. For this reason, by using machine learning on "observation data during normal monitoring", which can be collected in large quantities, as learning data, it is possible to improve the accuracy of the learning machine unit that inputs observation data and outputs the second fire judgment result.
（第１観測データと第２観測データに基づく火災判断１の効果）
また、火災検出システムは、火災に伴い炎から放射される第１波長帯域の光の第１観測データと、第１波長帯域以外の光の第２観測データとを収集し、第１観測データ及び第２観測データに基づいて、第１火災判断結果を取得すると共に、第２火災判断結果を算出することで、例えば、トンネル内に設置されて火災を検出する場合、道路を通行する車両のヘッドライト、緊急車両の点滅又は明滅する警告灯、トンネル内の照明器具、トンネル出入り口側に設置された場合の太陽光、保守点検に伴う作業者（人体）等の様々な炎以外から放射される光を観測しても、火災検出と判断することがなく、従来に比べて火災識別性能を高めることができ、火災でないにも関わらず火災警報が出力されて、非火災報であることを確認するまでトンネルの通行を禁止するといった事態の発生を未然に防止可能とする。
(Effect of
In addition, the fire detection system collects first observation data of light in a first wavelength band emitted from a flame in the event of a fire, and second observation data of light outside the first wavelength band, and obtains a first fire judgment result and calculates a second fire judgment result based on the first observation data and the second observation data.Therefore, when the system is installed in a tunnel to detect a fire, for example, it will not determine that a fire has been detected even if it observes light emitted from various sources other than flames, such as the headlights of vehicles passing on the road, the flashing or blinking warning lights of emergency vehicles, lighting fixtures inside the tunnel, sunlight when installed at the entrance and exit of a tunnel, and workers (human bodies) engaged in maintenance and inspection.This improves fire identification performance compared to conventional systems, and makes it possible to prevent the occurrence of a situation in which a fire alarm is issued when there is no fire, and passage through the tunnel is prohibited until it is confirmed that there is no fire alarm.
（第１観測データと第２観測データに基づく火災判断２の効果）
また、火災検出システムは、火災に伴い炎から放射される第１波長帯域の光の第１観測データと、第１波長帯域以外の光の第２観測データとを収集し、第１観測データの所定期間ごとの第１積分値と、当該第１積分値と第２観測データの所定期間ごとの第２積分値との比率に基づいて、第１火災判断結果を取得すると共に、第１処理部で生成された第１積分値と比率に基づいて第２火災判断結果を算出することで、前述した「第１観測データと第２観測データに基づく火災判断１の効果」に加え、機械学習を行う第２処理部に対するに入力数を低減し（ベクトル次元数を低減し）、機械学習部の構成を簡単にし、演算処理の負担を低減可能とする。
(Effect of fire judgment 2 based on the first observation data and the second observation data)
In addition, the fire detection system collects first observation data of light in a first wavelength band emitted from a flame in the event of a fire, and second observation data of light outside the first wavelength band, obtains a first fire judgment result based on a first integral value of the first observation data for a specified period and a ratio between the first integral value and a second integral value of the second observation data for a specified period, and calculates a second fire judgment result based on the first integral value and ratio generated by the first processing unit.In this way, in addition to the above-mentioned ``effect of
（火災検出の効果）
また、火災検出部は、第１火災判断結果が所定条件を満たし、且つ、第２火災判断結果が所定値以上又は所定値を超えた場合に、火災検出とすることで、より確実な精度の高い火災の検出を可能とする。
(Fire detection effect)
In addition, the fire detection unit detects a fire when the first fire judgment result satisfies a specified condition and the second fire judgment result is greater than or exceeds a specified value, thereby enabling more reliable and accurate fire detection.
（火災予兆検出の効果）
火災検出部は、第１火災判断結果が所定条件を満たし、且つ、第２火災判断結果が所定値未満若しくは所定値以下の場合、又は、第１火災判断結果が所定条件を満たさず、且つ、第２火災判断結果が所定値以上若しくは所定値を超えた場合は、火災か否かを確定できないことから、この場合は、例えば、火災予兆検出とし、火災注意を報知、例えば、防災受信盤から火災注意警報を出力することで、関係者に現場確認を促すなどして対処を可能とする。
(Effect of fire warning detection)
If the first fire judgment result satisfies the specified conditions and the second fire judgment result is less than or equal to a specified value, or if the first fire judgment result does not satisfy the specified conditions and the second fire judgment result is greater than or equal to a specified value, the fire detection unit cannot determine whether or not there is a fire.In this case, the fire detection unit, for example, detects a fire precursor and issues a fire warning, for example by outputting a fire warning alarm from a disaster prevention receiving panel, thereby urging relevant parties to check the site and making it possible to take action.
（火災検出システムの配置による効果）
また、本発明の火災検出システムは、観測部、第１処理部及び火災検出部が設けられた炎検出装置と、炎検出装置を接続し、第２処理部が設けられた防災受信盤と、を備えたことで、炎検出装置の構成を簡素化できる。すなわち、第２処理部の学習制御部や学習データ記憶部は、学習後の通常監視時には必須ではないため（学習モデル部は必須）、設置スペースに余裕のある防災受信盤に配置することで、従来の炎検出装置の構成を大幅に変更することなく、本発明を実施することができる。
(Effects of fire detection system placement)
Furthermore, the fire detection system of the present invention includes a flame detection device provided with an observation unit, a first processing unit, and a fire detection unit, and a disaster prevention receiving panel to which the flame detection device is connected and provided with a second processing unit, thereby simplifying the configuration of the flame detection device. In other words, since the learning control unit and learning data storage unit of the second processing unit are not essential for normal monitoring after learning (the learning model unit is essential), the present invention can be implemented without significantly changing the configuration of a conventional flame detection device by arranging them in the disaster prevention receiving panel, which has ample installation space.
（火災検出方法の効果）
また、本発明の火災検出方法にあっては、前述した火災検出システムと同様の効果が得られる。
(Effectiveness of fire detection methods)
Furthermore, the fire detection method of the present invention can provide the same effects as those of the above-mentioned fire detection system.
以下に、本発明に係る火災検出システム及び火災検出方法の実施形態を図面に基づいて詳細に説明する。なお、以下の実施形態により、この発明が限定されるものではない。 Below, an embodiment of a fire detection system and a fire detection method according to the present invention will be described in detail with reference to the drawings. Note that the present invention is not limited to the following embodiment.
［実施形態の基本的な概念］
実施形態は、概略的に、火災検出システム及び火災検出方法に関するものである。ここで「火災検出システム」とは、監視領域の観測対象（後述）を観測し、これに基づき火災を検出して、例えば、防災受信盤へ火災検出信号を出力する手段であり、例えば、火災検知器、火災感知器、火災警報器等を含む概念である。火災検出システムに含まれるこれらは、炎からの光を観測して火災を検出する炎検出装置（例えば炎検知器）、煙を観測して火災を検出する煙検出装置（例えば煙検知器）、熱（具体的には、例えば温度）を観測して火災を検出する熱検出装置（例えば熱検知器）、ガス（具体的には、例えばガス濃度）を観測して火災を検出するガス検出装置（例えばガス検知器）等がある。
[Basic Concept of the Embodiment]
The embodiment generally relates to a fire detection system and a fire detection method. Here, the "fire detection system" is a means for observing an observation target (described later) in a monitoring area, detecting a fire based on the observation, and outputting a fire detection signal to, for example, a disaster prevention receiving panel, and is a concept including, for example, a fire detector, a fire detector, a fire alarm, etc. Those included in the fire detection system include a flame detection device (for example, a flame detector) that observes light from a flame to detect a fire, a smoke detection device (for example, a smoke detector) that observes smoke to detect a fire, a heat detection device (for example, a heat detector) that observes heat (specifically, for example, temperature) to detect a fire, and a gas detection device (for example, a gas detector) that observes gas (specifically, for example, gas concentration) to detect a fire.
ここで「監視領域」とは、火災検出システムにより監視の対象とする領域であり、一定の広がりをもった屋外や屋内の空間であり、例えば、トンネル等の構造物の内部、建物の部屋、廊下、階段等の領域を含む概念である。 The term "monitored area" here refers to the area to be monitored by the fire detection system, and is an outdoor or indoor space with a certain extent, and is a concept that includes areas such as the inside of a structure such as a tunnel, or a room, corridor, or staircase of a building.
また、「観測対象」とは、火災検出システムが監視領域において観測する対象であり、火災検出システムはこの観測データに基づいて火災を検出する。観測対象は例えば、火災の物理化学現象に伴い発生するものであって、具体的な例としては光や煙、温度、ガス等がある。そして、例えば火災の炎に伴って光が放射されることによって光の観測データが変化すること（具体的には、例えば監視領域から放射される赤外線強度が変化すること）、火災の燃焼に伴って煙が発生することによって煙の観測データが変化すること（具体的には、例えば煙の濃度が変化すること）、或いは、燃焼により熱が発生することによって熱の観測データが変化すること（具体的には、例えば温度が変化すること）、また燃焼に伴ってガスが発生することによってガスの観測データが変化すること（具体的には、例えばガス濃度が変化すること）等に基づいて火災が検出される。 The term "observation target" refers to an object observed by the fire detection system in the monitored area, and the fire detection system detects a fire based on this observation data. Observation targets are, for example, things that occur in association with the physical and chemical phenomena of a fire, and specific examples include light, smoke, temperature, and gas. A fire is detected based on, for example, changes in light observation data due to light being emitted in association with the flames of a fire (specifically, for example, a change in the infrared intensity emitted from the monitored area), changes in smoke observation data due to smoke being generated in association with the burning of a fire (specifically, for example, a change in smoke concentration), changes in heat observation data due to heat being generated by combustion (specifically, for example, a change in temperature), and changes in gas observation data due to gas being generated in association with combustion (specifically, for example, a change in gas concentration).
火災検出システムは、一例として、炎検出装置とこれを接続した防災受信盤で構成された防災システムであり、観測部、第１処理部、第２処理部及び火災検出部を備える。例えば、観測部は、炎検出装置内に配置され、第１処理部と第２処理部は、システム内の何処に配置されても良いが、実施形態では、第１処理部が炎検出装置内に、第２処理部が防災受信盤内に配置される。 As an example, the fire detection system is a disaster prevention system composed of a flame detection device and a disaster prevention receiving panel connected to the flame detection device, and includes an observation unit, a first processing unit, a second processing unit, and a fire detection unit. For example, the observation unit is disposed in the flame detection device, and the first processing unit and the second processing unit may be disposed anywhere in the system, but in the embodiment, the first processing unit is disposed in the flame detection device and the second processing unit is disposed in the disaster prevention receiving panel.
また、火災検出システムは、一例として、道路トンネル内の監視領域における火災を検出するものであって、トンネル防災システムの構成要素である。つまり、トンネル防災システム（トンネル防災設備）は、本願の火災検出システムを含むシステムである。 The fire detection system, as an example, detects fires in a monitored area inside a road tunnel, and is a component of a tunnel disaster prevention system. In other words, a tunnel disaster prevention system (tunnel disaster prevention equipment) is a system that includes the fire detection system of the present application.
「観測部」とは、監視領域からの光の放射を観測するものである。ここで「監視領域からの光の放射」とは、例えば、火災に伴い炎から放射される光を含む概念であり、炎以外に、例えば、通行車両のヘッドライト、緊急車両の点滅又は明滅する警告灯、トンネル内の照明器具、トンネル出入り口側に設置された場合の太陽光、保守点検に伴う作業者（人体）等の様々な波長や強さの異なる光の放射を含む概念である。 The "observation unit" observes the emission of light from the monitored area. Here, "emission of light from the monitored area" is a concept that includes, for example, light emitted from flames in the event of a fire, and also includes emission of light of various wavelengths and intensities from sources other than flames, such as the headlights of passing vehicles, the flashing or blinking warning lights of emergency vehicles, lighting fixtures in tunnels, sunlight when installed at the entrance and exit of a tunnel, and workers (human bodies) involved in maintenance and inspection.
また「光の放射を観測する」とは、例えば、炎から放射された炎特有の第１波長帯域の光を観測して第１観測値と、炎特有の第１波長帯域以外の第２波長帯域の光を観測して第２観測値を収集し、それぞれ所定周波数でサンプリングしてＡ／Ｄ変換することで、所定時間ごとの時系列データとなる第１観測データと第２観測データを生成するものである。以下の説明では、アナログ信号となる第１観測値と第２観測値を小文字のｘ１，ｘ２として示し、第１観測データと第２観測データを大文字のＸ１，Ｘ２として示す。 "Observing the emission of light" means, for example, observing light emitted from a flame in a first wavelength band specific to the flame to collect a first observation value, and observing light in a second wavelength band other than the first wavelength band specific to the flame to collect a second observation value, and then sampling each at a predetermined frequency and A/D converting them to generate first and second observation data that are time-series data for each predetermined time. In the following explanation, the first and second observation values that are analog signals are indicated as lowercase x1 and x2, and the first and second observation data are indicated as uppercase X1 and X2.
また、「第１処理部」とは、観測部で観測して収集した観測データに基づいて、火災か否かを判断するものであり、本実施形態では、観測データに所定の火災判断処理を実行して取得した第１火災判断結果から、火災か否かを判断するものである。 The "first processing unit" judges whether or not there is a fire based on the observation data observed and collected by the observation unit, and in this embodiment, judges whether or not there is a fire based on the first fire judgment result obtained by executing a predetermined fire judgment process on the observation data.
また、「第２処理部」とは、観測部で観測して収集した観測データに基づいて、火災らしさの度合を定量的に算出するものであり、本実施形態では、観測データに所定の機械学習処理に基づく火災判断処理を実行して算出した第２火災判断結果から、火災らしさの度合を定量的に判断するものである。ここで、火災のときの観測データに基づく第２火災判断結果は１（又は１００％）、火災でないときの観測データに基づく第２火災判断結果は０（又は０％）であり、観測データに応じて第２火災判断結果は０から１（又は０％から１００％）の範囲をとる。 The "second processing unit" quantitatively calculates the degree of fire-likeliness based on the observation data observed and collected by the observation unit, and in this embodiment, quantitatively determines the degree of fire-likeliness from the second fire judgment result calculated by executing a fire judgment process based on a predetermined machine learning process on the observation data. Here, the second fire judgment result based on the observation data when there is a fire is 1 (or 100%), and the second fire judgment result based on the observation data when there is no fire is 0 (or 0%), and the second fire judgment result ranges from 0 to 1 (or 0% to 100%) depending on the observation data.
第２処理部は、本実施形態では、観測値を入力して２値分類を行うことで、第２火災判断結果を算出して出力する機械学習部であり、学習する機械（コンピュータ等）のことである。ここで「機械学習部」とは、事前に与えられた教師ありの学習データ（入力に対し正解となる出力が分っているデータ）から、入力と出力の関係を学習した学習モデル部を生成し、学習後に、未知のデータを学習モデル部に入力して出力を推定するアルゴリズムであり、例えば、公知の多層（深層）ニューラルネットワーク（ＤＮＮ）、ランダムフォレスト、サポートベクトルマシン（ＳＶＣ）等を含む概念である。 In this embodiment, the second processing unit is a machine learning unit that inputs observed values and performs binary classification to calculate and output a second fire judgment result, and is a learning machine (computer, etc.). Here, the "machine learning unit" is an algorithm that generates a learning model unit that learns the relationship between input and output from supervised learning data given in advance (data in which the correct output for the input is known), and after learning, inputs unknown data into the learning model unit to estimate the output, and is a concept that includes, for example, well-known multi-layer (deep) neural networks (DNN), random forests, support vector machines (SVC), etc.
本実施形態において、機械学習部は、学習データとして、第２火災判断結果が１となる場合を正解（教師）とする「火災時の観測データ」と、第２火災判断結果が０となる場合を正解（教師）とする「通常監視時の観測データ」とを予め学習データとして収集して機械学習しており、機械学習後に新たに観測された観測データを入力して第２火災判断結果を出力するものである。 In this embodiment, the machine learning unit performs machine learning by collecting in advance as learning data "observation data during a fire" in which the correct answer (teacher) is when the second fire judgment result is 1, and "observation data during normal monitoring" in which the correct answer (teacher) is when the second fire judgment result is 0, and inputs newly observed observation data after the machine learning to output the second fire judgment result.
ここで、学習データの一つである「火災時の観測データ」とは、監視領域で火災が発生し、第１処理部が「火災である」と判断したときに観測された観測データであり、火災の発生頻度は極めて小さく略ゼロといえることから、学習データとして収集することは困難又はできないといえる。これに対し、学習データの他の一つとなる「通常監視時の観測データ」とは、火災が発生していない通常監視時に、第１処理部が「火災でない」と判断しているときに観測された観測データであり、簡単且つ容易に大量に収集することができ、本実施形態は、この「通常監視時の観測データ」により機械学習することで、観測データを入力して第２火災判断結果を出力する機械学習部の精度を高めている。 Here, "observation data during a fire," which is one type of learning data, is observation data observed when a fire occurs in the monitored area and the first processing unit judges that "there is a fire." Since the frequency of fire occurrence is extremely low, almost zero, it can be said that it is difficult or impossible to collect this as learning data. In contrast, "observation data during normal monitoring," which is the other type of learning data, is observation data observed during normal monitoring when no fire has occurred, when the first processing unit judges that "there is no fire." It can be collected in large quantities simply and easily, and this embodiment uses machine learning using this "observation data during normal monitoring" to improve the accuracy of the machine learning unit that inputs observation data and outputs the second fire judgment result.
また、火災検出システムは、第１処理部による第１火災判断結果と、第２処理部による第２火災判断結果とに基づき、火災を検出するものであり、本実施形態では、第１火災判断結果が所定条件を満たし（火災であるとの判断）、且つ、第２火災判断結果が所定値以上又は所定値を超えたときに、火災検出とする。また、第１火災判断結果が所定条件を満たし（火災であるとの判断）、且つ、第２火災判断結果が所定値未満若しくは所定値以下のとき、又は、第１火災判断結果が所定条件を満たさず（火災でないとの判断）、且つ、第２火災判断結果が所定値以上若しくは所定値を超えたのときは、例えば、火災予兆検出とする、というものである。 The fire detection system detects a fire based on the first fire judgment result by the first processing unit and the second fire judgment result by the second processing unit, and in this embodiment, a fire is detected when the first fire judgment result meets a predetermined condition (judgment that there is a fire) and the second fire judgment result is equal to or exceeds a predetermined value. Also, when the first fire judgment result meets a predetermined condition (judgment that there is a fire) and the second fire judgment result is less than or equal to a predetermined value, or when the first fire judgment result does not meet the predetermined condition (judgment that there is no fire) and the second fire judgment result is equal to or exceeds a predetermined value, a fire precursor is detected, for example.
また、火災検出システムの他の実施形態にあっては、第１処理部は、第１観測データの所定期間ごとの第１積分値と、当該第１積分値と第２観測データの所定期間ごとの第２積分値との比率に基づいて、第１火災判断結果を取得し、第２処理部は、第１処理部で生成された第１積分値と比率に基づいて、第２火災判断結果を算出するものである。 In another embodiment of the fire detection system, the first processing unit obtains a first fire judgment result based on a first integral value of the first observation data for each predetermined period and a ratio between the first integral value and a second integral value of the second observation data for each predetermined period, and the second processing unit calculates a second fire judgment result based on the first integral value generated by the first processing unit and the ratio.
以下、具体的な実施形態を説明する。以下に示す実施形態では、「監視領域」が「トンネルの内部空間」であり、「火災検出システム」の観測部、第１処理部及び火災検出部は「炎検出装置」に、第２処理部は防災受信盤に備わり、「監視領域からの光の放射を観測した観測データ」が「火災に伴い炎から放射された第１波長帯域の光の第１観測データ」と「第１波長帯域以外の第２波長帯域の光の第２観測データ」であり、「第２処理部の機械学習部」が「多層ニューラルネットワーク」である場合について説明する。 Specific embodiments are described below. In the embodiment described below, the "monitoring area" is the "internal space of a tunnel", the observation unit, first processing unit, and fire detection unit of the "fire detection system" are provided in a "flame detection device", the second processing unit is provided in a disaster prevention receiving panel, the "observation data observing the emission of light from the monitoring area" is "first observation data of light in a first wavelength band emitted from a flame in the event of a fire" and "second observation data of light in a second wavelength band other than the first wavelength band", and the "machine learning unit of the second processing unit" is a "multi-layer neural network".
［実施形態の具体的内容］
次に、実施形態の具体的内容について説明する。その内容については以下のように分けて説明する。
ａ．火災検出システム
ｂ．観測部
ｃ．第１処理部
ｄ．第２処理部
ｄ１．機械学習部
ｄ２．学習モデル部
ｄ３．学習制御部
ｄ４．学習データの収集
ｄ５．機械学習
ｄ６．火災検出部
ｅ．火災検出システムの他の実施形態
ｅ１．第２処理部
ｅ２．機械学習部
ｅ３．学習モデル部
ｅ４．学習制御部
ｅ５．学習データの収集
ｅ６．機械学習
ｅ７．入力数の低減による効果
ｅ８．火災検出部
ｆ．本発明の変形例
[Specific Contents of the Embodiment]
Next, the specific contents of the embodiment will be described. The contents will be described separately as follows.
a. Fire detection system b. Observation unit c. First processing unit d. Second processing unit d1. Machine learning unit d2. Learning model unit d3. Learning control unit d4. Collection of learning data d5. Machine learning d6. Fire detection unit e. Other embodiments of the fire detection system e1. Second processing unit e2. Machine learning unit e3. Learning model unit e4. Learning control unit e5. Collection of learning data e6. Machine learning e7. Effect of reducing the number of inputs e8. Fire detection unit f. Modification of the present invention
［ａ．火災検出システム］
まず、火災検出システムの実施形態について、より詳細に説明する。図１に示すように、火災検出システム１０（１０－１）は、観測部１２、第１処理部１４、第２処理部１６及び火災検出部１８で構成される。
[a. Fire Detection System]
First, an embodiment of the fire detection system will be described in more detail. As shown in Fig. 1, a fire detection system 10 (10-1) includes an
［ｂ．観測部］
観測部１２は、監視領域である、例えば、トンネル内部空間からの光の放射を観測して観測データを出力するものであり、その構成や機能は任意であるが、本実施形態では、火災に伴う炎から放射される４．５μｍ付近の第１波長帯域の光を観測して第１観測データＸ１を出力し、また、炎以外の第２波長帯域、例えば、５．０μｍ付近の光を観測して第２観測データＸ２を出力する。
[b. Observation Section]
The
更に、詳細に説明すると、観測部１２は、本実施形態では図２に示すように、トンネル内に設置された炎検出装置２０に設けられている。観測部１２は、透光性窓２５、第１観測部１２ａ、第２観測部１２ｂ及び観測データ生成部１３を備える。
To explain in more detail, in this embodiment, the
第１観測部１２ａは、センサ部２２ａにより、トンネル空間から放射された光の中から、光学波長バンドパスフィルタにより選択透過（通過）した、炎に特有な第１波長帯域（４．５μｍ付近）の光を受光して電気信号に変換し、増幅処理部２４ａにより増幅等の所定の処理を施して第１観測値ｘ１とし、観測データ生成部１３へ出力する。
The first observation unit 12a receives light in a first wavelength band (around 4.5 μm) specific to flames that is selectively transmitted (passed) by an optical wavelength bandpass filter from the light emitted from the tunnel space using the sensor unit 22a, converts it into an electrical signal, and performs a predetermined process such as amplification using the
第２観測部１２ｂは、センサ部２２ｂにより、トンネル空間から放射された光の中から、光学波長バンドパスフィルタにより選択透過（通過）した、第１波長帯域とは異なる第２波長帯域（例えば、５．０μｍ付近）の光を受光して電気信号に変換し、増幅処理部２４ｂにより増幅等の所定の処理を施して第２観測値ｘ２とし、観測データ生成部１３へ出力する。なお、増幅処理部２４ａ，２４ｂには、プリアンプ、炎のゆらぎ周波数を含む所定の周波数帯域を選択通過させる周波数フィルタ及びメインアンプ等が設けられている。
The second observation unit 12b receives light in a second wavelength band (for example, around 5.0 μm) different from the first wavelength band, which is selectively transmitted (passed) by the optical wavelength bandpass filter from the light emitted from the tunnel space using the
図３は、通常監視時に観測される第１観測値ｘ１と第２観測値ｘ２を比較した一例であり、それぞれ時系列データとして観測する所定の単位時間Ｔ、例えば、Ｔ＝２秒間についての中点レベルに対する観測値の波形変化を示している。火災が発生していない通常監視時には、第１波長帯域の光学波長バンドパスフィルタを透過する炎特有の光の量は少ないことから、第１観測値ｘ１の振幅変化は小さい。一方、第２波長帯域の光学波長バンドパスフィルタを透過する炎以外の要因による光の量は相対的に多いことから、第２観測値ｘ２の振幅変化は、第１観測値ｘ１に比べて大きくなっている。 Figure 3 is an example comparing the first observation value x1 and the second observation value x2 observed during normal monitoring, and shows the waveform change of the observation value relative to the midpoint level for a predetermined unit time T, for example T = 2 seconds, observed as time series data. During normal monitoring when no fire is occurring, the amount of flame-specific light that passes through the optical wavelength bandpass filter of the first wavelength band is small, so the amplitude change of the first observation value x1 is small. On the other hand, the amount of light due to factors other than flame that passes through the optical wavelength bandpass filter of the second wavelength band is relatively large, so the amplitude change of the second observation value x2 is larger than the first observation value x1.
図４は、火災時に観測される第１観測値ｘ１と第２観測値ｘ２を比較した一例であり、第１波長帯域の光学波長バンドパスフィルタを透過する炎特有の光の量は多いことから、第１観測値ｘ１の振幅変化は大きい。一方、第２波長帯域の光学波長バンドパスフィルタを透過する炎以外の要因による光の量は相対的に少ないことから、第２観測値ｘ２の振幅変化は、第１観測値ｘ１に比べて小さくなっている。 Figure 4 shows an example comparing the first observation value x1 and the second observation value x2 observed during a fire. Since the amount of flame-specific light that passes through the optical wavelength bandpass filter of the first wavelength band is large, the amplitude change of the first observation value x1 is large. On the other hand, since the amount of light due to factors other than flame that passes through the optical wavelength bandpass filter of the second wavelength band is relatively small, the amplitude change of the second observation value x2 is smaller than that of the first observation value x1.
観測データ生成部１３は、第１観測部１２ａと第２観測部１２ｂから出力されたアナログ信号である第１観測値ｘ１と第２観測値ｘ２を、所定の単位時間、例えば、図３又は図４に示したように、Ｔ＝２秒ごとに所定のサンプリング周波数、例えば、１２８ＨｚでサンプリングしてＡ／Ｄ変換することで、２５６点の時系列データとし、これを第１観測データＸ１と第２観測データＸ２として読み込んで記憶するものである。以下の説明では、「第１観測データＸ１」及び「第２観測データＸ２」は、この「２５６点の時系列データ」を意味する。
The observation
［ｃ．第１処理部］
第１処理部１４は、観測データ生成部１３に記憶されたＴ＝２秒ごとの時系列データである第１観測データＸ１と第２観測データＸ２に所定の火災判断処理を実行し、第１火災判断結果Ｅ１を取得して火災検出部１８に出力するものであり、その構成及び機能は任意であるが、本実施形態では、図２に示すように、炎検出装置２０に設けられ、ＣＰＵ、メモリ及び各種の入出力ポートを備えたコンピュータ回路で構成される。
[c. First processing unit]
The
なお、観測部１２に設けた観測データ生成部１３は、第１処理部１４に設けても良く、この場合、第２処理部１６は第１処理部１４から第１観測データＸ１と第２観測データＸ２を取得することになる。また、第１処理部１４での火災判断処理に設定する火災判断条件は任意であるが、例えば、以下のような２段階の火災判断条件が設定される。
The observation
第１段階の火災判断条件は、例えば、第１観測データＸ１の積分値σＸ１が所定の閾値以上又はこの閾値を上回った場合に、第１観測データＸ１の積分値σＸ１と第２観測データＸ２の積分値σＸ２との相対比（σＸ１／σＸ２）を算出し、この相対比が所定の閾値を超えた場合に、第１段階の火災判断条件を充足したとして、次の第２段階に進む。 The first stage fire judgment condition is, for example, to calculate the relative ratio (σX1/σX2) between the integral value σX1 of the first observation data X1 and the integral value σX2 of the second observation data X2 when the integral value σX1 of the first observation data X1 is equal to or exceeds a predetermined threshold, and to proceed to the second stage when this relative ratio exceeds the predetermined threshold.
第２段階の火災判断条件は、第１観測データＸ１を高速フーリエ変換（ＦＦＴ）して分析し、例えば、４Ｈｚ以下の低周波側成分（相対強度）の積分値σＦＬと４Ｈｚを超え且つ８Ｈｚ以下の高周波側成分（相対強度）の積分値σＦＨとの相対比（σＦＬ／σＦＨ）を算出する。この相対化が所定の閾値以上又はこの閾値を上回った場合に、第２段階の火災判断条件を充足したとして、火災と判断し、第１火災判断結果Ｅ１＝１を出力する。また、第１処理部１４は、第１段階又は第２段階の火災判断条件を充足しない場合には、火災でないと判断し、第１火災判断結果Ｅ１＝０を出力する。
The second stage fire judgment condition is to analyze the first observation data X1 by performing a fast Fourier transform (FFT) and, for example, calculate the relative ratio (σFL/σFH) between the integral value σFL of the low frequency component (relative intensity) below 4 Hz and the integral value σFH of the high frequency component (relative intensity) above 4 Hz and below 8 Hz. If this relativization is equal to or exceeds a predetermined threshold, it is determined that the second stage fire judgment condition is met, a fire is judged, and the first fire judgment result E1 = 1 is output. Furthermore, if the first stage or second stage fire judgment condition is not met, the
［ｄ．第２処理部］
第２処理部１６は、観測データ生成部１３に記憶されたＴ＝２秒ごとの時系列データである第１観測データＸ１と第２観測データＸ２に所定の機械学習処理に基づく火災判断処理を実行し、第２火災判断結果Ｅ２を算出して火災検出部１８に出力するものであり、その構成及び機能は任意であるが、本実施形態では、ＣＰＵ、メモリ及び各種の入出力ポートを備えたコンピュータ回路で構成され、例えば、図２の第２処理部１６に示すように、炎検出装置２０側ではなく防災受信盤４０側に設けられ、機械学習部２６を備えている。
[d. Second Processing Unit]
The
（ｄ１．機械学習部）
機械学習部２６は、観測データ（ここでは、第１観測データＸ１と第２観測データＸ２）を入力して第２火災判断結果Ｅ２を出力するものであり、その機能、構成、種類は任意であるが、本実施形態では、学習モデル部２８、学習制御部３０及び学習データ記憶部３２で構成される。
(d1. Machine Learning Department)
The machine learning unit 26 inputs observation data (here, the first observation data X1 and the second observation data X2) and outputs the second fire judgment result E2. Although its function, configuration, and type are arbitrary, in this embodiment, it is composed of a
（ｄ２．学習モデル部）
学習モデル部２８は、教師ありの学習データ（入力に対し出力が正解となるデータ）により機械学習されたものであり、その構成及び機能は任意であるが、例えば、２値分類を行う多層ニューラルネットワークとする。２値分類の多層ニューラルネットワークは、公知のように、入力層、複数の中間層、出力層で構成され、出力層の活性化関数として、例えば、シグモイド関数が使用されている。本実施形態では、火災である度合Ｙ１と火災でない度合Ｙ２を分類する２値分類の多層ニューラルネットワークとする。
(d2. Learning model section)
The
学習済みの学習モデル部２８は、観測部１２で観測された単位時間ごとの第１観測データＸ１（Ｘ１１，Ｘ１２，・・・・Ｘ１ｎ）と、第２観測データＸ２（Ｘ２１，Ｘ２２，・・・Ｘ２ｎ）を並列に入力し、火災である度合Ｙ１と火災でない度合Ｙ２を算出し、火災である度合Ｙ１を第２火災判断結果Ｅ２として出力する。第２火災判断結果Ｅ２は、火災が発生してないとき（通常監視時）を最小値０とし、火災が発生しているときを最大値１とする０～１の範囲の値をとる。
The trained
（ｄ３．学習制御部）
学習制御部３０は、教師ありの学習データを用いて学習モデル部２８を機械学習させるものであり、その機能及び構成は任意であるが、本実施形態では、ＣＰＵ、メモリ及び各種の入出力ポートを備えたコンピュータ回路で構成され、学習データを収集する機能と学習モデル部２８を機械学習させる機能を備えている。
(d3. Learning control unit)
The
（ｄ４．学習データの収集）
学習制御部３０は、火災時に、第１観測データＸ１及び第２観測データＸ２を収集し、火災時の火災である度合の正解をＹ１＝１とし、火災でない度合の正解をＹ２＝０とする教師データ（Ｙ１，Ｙ２）＝（１，０）を組み合わせた第１学習データ、例えば、
（Ｙ１，Ｙ２）（Ｘ１，Ｘ２）＝（１，０）（Ｘ１，Ｘ２）
と表記する第１学習データを生成し、学習データ記憶部３２に記憶する。しかしながら、トンネル内での火災の発生は極めて例外的なもので略ゼロということができ、このため第１学習データは現実的に収集することが困難か、できない場合が多い。
(d4. Collection of learning data)
The
(Y1, Y2) (X1, X2) = (1,0) (X1, X2)
and stores the first learning data in the learning data storage unit 32. However, the occurrence of fires in tunnels is extremely rare and can be said to be virtually zero, and therefore, in reality, it is often difficult or impossible to collect the first learning data.
また、学習制御部３０は、火災が発生していない通常監視時に、第１観測データＸ１及び第２観測データＸ２を収集し、通常監視時の火災である度合の正解をＹ１＝０とし、火災でない度合の正解をＹ２＝１とする教師データ（Ｙ１，Ｙ２）＝（０，１）を組み合わせた第２学習データ、例えば、
（Ｙ１，Ｙ２）（Ｘ１，Ｘ２）＝（０，１）（Ｘ１，Ｘ２）
と表記する第２学習データを生成し、学習データ記憶部３２に記憶する。この第２学習データは、通常監視時に簡単且つ大量に収集することができ、本実施形態では、学習データとは、実質的に第２学習データを意味することになる。
The
(Y1, Y2) (X1, X2) = (0, 1) (X1, X2)
and stores the second learning data in the learning data storage unit 32. This second learning data can be easily collected in large quantities during normal monitoring, and in this embodiment, the learning data essentially means the second learning data.
学習制御部３０による学習データ（第２学習データ）の収集は、火災検出システム１０（１０－１）の運用を開始してから所定期間、例えば、１～３ケ月間、望ましくは１年間を学習データ収集期間として行う。第２処理部１６が、第１処理部１４と同様に、例えば、単位時間Ｔ＝２秒間の第１観測データＸ１と第２観測データＸ２を１２８Ｈｚでサンプリングして読み込んでいたとすると、１日（２４時間）で４３，２００個、１ケ月（３０日）で１，２９６，０００個といった大量の学習データ（第２学習データ）を収集することができる。
The
（ｄ５．機械学習）
学習制御部３０は、学習データ収集期間が経過したら、学習データ記憶部３２から学習データ（第２学習データ）を読出して学習モデル部２８の機械学習を行う。この機械学習の方法は任意であるが、例えば、学習制御部３０は、利用者の操作に基づき、学習モデル部２８を構成する多層ニューラルネットワークの入力層のノード数（例えば、２５６ノード）、中間層の段数とノード数、出力層のノード数（例えば、２ノード）等の構造や各ノードの重み等を設定する。続いて、学習データ（第２学習データ）を読み出し、学習モデル部２８の入力に第１及び第２観測データ（Ｘ１，Ｘ２）をセットすると共に出力（Ｙ１，Ｙ２）に正解（０，１）をセットし、公知のバックプロパゲーション法により機械学習させる。
(d5. Machine Learning)
After the learning data collection period has elapsed, the
機械学習の手順は任意であるが、例えば、次の手順となる。
（ア）学習データを訓練データと検証データに分ける。訓練データを７～８割とし、残りの２～３割を検証データとする。
（イ）訓練データを複数ブロック、例えば、１万データのブロックに分ける。
（ウ）検証データを複数ブロック、例えば、１千データのブロックに分ける。
（エ）訓練データをブロック単位に読み出し、学習モデル部２８にセットして機械学習させる。
（オ）検証データをブロック単位に読み出し、学習済みの学習モデル部２８に入力して正解率を求める検証を行う。なお、正解率とは、検証データを入力して出力された火災でない度合Ｙ２の平均値である。
（カ）正解率が増加する限り、（エ）（オ）を繰り返す。繰り返し中に正解率が飽和するか、減少し始めたら、過学習として学習を終了する。なお、正解率が所定値、例えば、８０％未満の場合は、精度が低すぎることから、学習モデル部２８を再構築して最初からやりなおすことになる。
The machine learning procedure is arbitrary, but may be, for example, the following procedure.
(A) Divide the learning data into training data and validation data. 70-80% of the data is training data, and the remaining 20-30% is validation data.
(a) Divide the training data into multiple blocks, for example, 10,000 blocks of data.
(c) Divide the verification data into multiple blocks, for example, 1,000 blocks of data.
(E) The training data is read out in blocks and set in the
(E) The verification data is read out in units of blocks, and input to the trained
(F) As long as the accuracy rate increases, (D) and (E) are repeated. If the accuracy rate saturates or starts to decrease during the repetition, overlearning is considered and learning is terminated. Note that if the accuracy rate is less than a predetermined value, for example, 80%, the accuracy is too low, so the
また、図２に示した学習制御部３０の機能は、第２処理部１６から分離した別のコンピュータ装置やサーバ等に、専用の機械学習ツールの機能として設け、機械学習ツールで前述と同様にして学習モデル部２８の機械学習を行い、学習済みの学習モデル部２８を第２処理部１６に実装（配置）するようにしてもよい。
The function of the
（ｄ６．火災検出部）
火災検出部１８は、第１処理部１４による第１火災判断結果Ｅ１と、第２処理部１６による第２火災判断結果Ｅ２に基づき、火災を検出するものであり、一例として、第１処理部１４による第１火災判断結果Ｅ１が、火災を判断する所定条件を満たし（火災と判断され）、且つ、第２処理部１６による第２火災判断結果Ｅ２が所定値、例えば、０．６以上のとき、火災検出とし、火災検出信号Ｅ３を防災受信盤４０（例えば制御部４２）へ送信する。火災検出信号Ｅ３を受信した防災受信盤４０（例えば警報部４４）は、火災警報を出力して報知すると共に、警報表示板設備などにより進入禁止警報を行って車両のトンネル通行を禁止し、管理担当者が現場に出向いて火災を確認して対処することになる。
(d6. Fire detection section)
The
また、火災検出部１８は、
（１）第１処理部１４による第１火災判断結果Ｅ１が所定条件を満たし、且つ、第２処理部１６による第２火災判断結果Ｅ２が所定値、例えば、０．６未満のとき、又は、
（２）第１処理部１４による第１火災判断結果Ｅ１が所定条件を満たし、且つ、第２処理部１６による第２火災判断結果Ｅ２が所定値、例えば、０．６以上のとき、
火災予兆検出とし、火災予兆検出信号Ｅ４を防災受信盤（例えば制御部４２）へ送信する。火災予兆検出信号Ｅ４を受信した防災受信盤４０（例えば警報部４４）は、火災注意警報を出力して注意を喚起し、管理担当者が現場に出向いて火災を確認して対処することを可能とする。
In addition, the
(1) When the first fire judgment result E1 by the
(2) When the first fire judgment result E1 by the
This is regarded as a fire sign detection, and a fire sign detection signal E4 is sent to a disaster prevention receiving panel (e.g., the control unit 42). The disaster prevention receiving panel 40 (e.g., the alarm unit 44) that receives the fire sign detection signal E4 outputs a fire warning alarm to call attention, enabling a management person to go to the site, confirm the fire, and deal with it.
［ｅ．火災検出システムの他の実施形態］
図５は本発明の火災検出システムの他の実施形態を示した説明図であり、図６は図５の観測部及び第２処理部の、より詳細な機能構成を示した説明図である。
e. Other embodiments of the fire detection system
FIG. 5 is an explanatory diagram showing another embodiment of the fire detection system of the present invention, and FIG. 6 is an explanatory diagram showing a more detailed functional configuration of the observation unit and the second processing unit of FIG.
本実施形態の火災検出システム１０（１０－２）は、観測部１２、第１処理部１４、第２処理部１６及び火災検出部１８で構成される。観測部１２、第１処理部１４及び火災検出部１８は、基本的に図１の実施形態と同様であるが、第２処理部１６に、第１処理部１４で求めている第１観測データＸ１の積分値（第１積分値）σＸ１と、この積分値σＸ１と第２観測データＸ２の積分値（第２積分値）σＸ２との相対比（σＸ１／σＸ２）を入力している点が、図１の実施形態と相違する。
The fire detection system 10 (10-2) of this embodiment is composed of an
（ｅ１．第２処理部）
第２処理部１６は、第１処理部１４で生成された第１観測データＸ１の積分値σＸ１と、積分値σＸ１と第２観測データＸ２の積分値σＸ２との相対比（σＸ１／σＸ２）を入力して所定の機械学習処理に基づく火災判断処理を実行し、第２火災判断結果Ｅ２を算出して火災検出部１８に出力するものであり、例えば、図６の第２処理部１６に示すように、機械学習部２６を備えている。
(e1. Second Processing Unit)
The
（ｅ２．機械学習部）
機械学習部２６は、第１及び第２観測データＸ１，Ｘ２に基づく積分値σＸ１と相対比（σＸ１／σＸ２）を入力して第２火災判断結果Ｅ２を出力するものであり、その機能、構成、種類は任意であるが、図２と同様に、学習モデル部２８、学習制御部３０及び学習データ記憶部３２で構成される。
(e2. Machine Learning Department)
The machine learning unit 26 inputs the integral value σX1 and the relative ratio (σX1/σX2) based on the first and second observation data X1, X2, and outputs the second fire judgment result E2. Although the function, configuration, and type of the machine learning unit 26 are arbitrary, it is composed of a
（ｅ３．学習モデル部）
学習モデル部２８は、教師ありの学習データ（入力に対し出力が正解となるデータ）により機械学習されたものであり、その構成及び機能は任意であるが、例えば、２値分類を行う多層ニューラルネットワークとする。２値分類の多層ニューラルネットワークは、公知のように、入力層、複数の中間層、出力層で構成され、出力層の活性化関数として、例えば、シグモイド関数が使用されている。本実施形態では、火災である度合Ｙ１と火災でない度合Ｙ２を分類する２値分類の多層ニューラルネットワークとする。
(e3. Learning model section)
The
学習済みの学習モデル部２８は、観測部１２で観測された単位時間ごとの第１及び第２観測データＸ１，Ｘ２から求めた積分値σＸ１と相対比（σＸ１／σＸ２）を並列に入力し、火災である度合Ｙ１と火災でない度合Ｙ２を算出し、火災である度合Ｙ１を第２火災判断結果Ｅ２として出力する。第２火災判断結果Ｅ２は、火災が発生してないとき（通常監視時）を最小値０とし、火災が発生しているときを最大値１とする０～１の範囲の値をとる。
The trained
（ｅ４．学習制御部）
学習制御部３０は、教師ありの学習データを用いて学習モデル部２８を機械学習させるものであり、その機能及び構成は任意であるが、本実施形態では、ＣＰＵ、メモリ及び各種の入出力ポートを備えたコンピュータ回路で構成され、学習データを収集する機能と学習モデル部２８を機械学習させる機能を備えている。
(e4. Learning control unit)
The
（ｅ５．学習データの収集）
学習制御部３０は、火災時に、第１及び第２観測データＸ１，Ｘ２に基づき求めた積分値σＸ１と相対比（σＸ１／σＸ２）を収集し、火災時の火災である度合の正解をＹ１＝１とし、火災でない度合の正解をＹ２＝０とする教師データ（Ｙ１，Ｙ２）＝（１，０）を組み合わせた第１学習データ、例えば、
（Ｙ１，Ｙ２）（σＸ１，σＸ１／σＸ２）＝（１，０）（σＸ１，σＸ１／σＸ２）
と表記する第１学習データを生成し、学習データ記憶部３２に記憶する。しかしながら、トンネル内での火災の発生は極めて例外的なもので略ゼロということができ、このため第１学習データは現実的に収集することが困難か、できない場合が多い。
(e5. Collection of learning data)
The
(Y1, Y2) (σX1, σX1/σX2) = (1, 0) (σX1, σX1/σX2)
and stores the first learning data in the learning data storage unit 32. However, the occurrence of fires in tunnels is extremely rare and can be said to be virtually zero, and therefore, in reality, it is often difficult or impossible to collect the first learning data.
また、学習制御部３０は、火災が発生していない通常監視時に、第１及び第２観測データＸ１，Ｘ２に基づき求めた積分値σＸ１と相対比（σＸ１／σＸ２）を収集し、通常監視時の火災である度合の正解をＹ１＝０とし、火災でない度合の正解をＹ２＝１とする教師データ（Ｙ１，Ｙ２）＝（０，１）を組み合わせた第２学習データ、例えば、
（Ｙ１，Ｙ２）（σＸ１，σＸ１／σＸ２）＝（０，１）（σＸ１，σＸ１／σＸ２）
と表記する第２学習データを生成し、学習データ記憶部３２に記憶する。この第２学習データは、通常監視時に簡単且つ大量に収集することができ、本実施形態では、学習データとは、実質的に第２学習データを意味することになる。
The
(Y1, Y2) (σX1, σX1/σX2) = (0, 1) (σX1, σX1/σX2)
and stores the second learning data in the learning data storage unit 32. This second learning data can be easily collected in large quantities during normal monitoring, and in this embodiment, the learning data essentially means the second learning data.
（ｅ６．機械学習）
学習制御部３０は、学習データ収集期間が経過したら、学習データ記憶部３２から学習データ（第２学習データ）を読出して学習モデル部２８の機械学習を行う。この機械学習の方法は任意であるが、例えば、学習制御部３０は、利用者の操作に基づき、学習モデル部２８を構成する多層ニューラルネットワークの入力層のノード数（例えば、２５６ノード）、中間層の段数とノード数、出力層のノード数（例えば、２ノード）等の構造や各ノードの重み等を設定する。続いて、学習データ（第２学習データ）を読み出し、学習モデル部２８の入力に積分値σＸ１と相対比（σＸ１／σＸ２）をセットすると共に出力（Ｙ１，Ｙ２）に正解（０，１）をセットし、公知のバックプロパゲーション法により機械学習させる。機械学習の手順は任意であるが、図２の実施形態に示したと同様になる。
(e6. Machine Learning)
After the learning data collection period has elapsed, the
（ｅ７：入力数の低減による効果）
ここで、図２の実施形態にあっては、学習モデル部２８に、第１観測データＸ１と第２観測データＸ２からなる２５６点の観測値を並列に入力することで、２５６次元のベクトル入力を処理しているが、図６の実施形態にあっては、学習モデル部２８に、積分値σＸ１と相対比（σＸ１／σＸ２）からなる２点の特徴値を並列に入力して２次元のベクトル入力に低減することで、機械学習部２６の構成及び演算処理を、学習制御部３０の演算処理を含め、大幅に低減している。
(e7: Effect of reducing the number of inputs)
Here, in the embodiment of FIG. 2, 256 observation values consisting of the first observation data X1 and the second observation data X2 are input in parallel to the
（ｅ８．火災検出部）
火災検出部１８は、第１処理部１４による第１火災判断結果Ｅ１と、第２処理部１６による第２火災判断結果Ｅ２に基づき、図２の実施形態と同様にして、火災を検出するものである。
(e8. Fire detection unit)
The
［ｆ．本発明の変形例］
本発明に係る火災検出システム及び火災検出方法の変形となる実施形態について、詳細に説明する。
[f. Modifications of the present invention]
A detailed description will now be given of modified embodiments of the fire detection system and fire detection method according to the present invention.
（３波長方式の第１処理部）
上記の観測部１２は、いわゆる２波長方式を例にとっているが、いわゆる３波長方式としても良い。この場合、観測部１２は、炎特有の第１波長帯域（４．５μｍ付近）の光の第１観測値ｘ１と、第１波長帯域以外の第２波長帯域（例えば、５．０μｍ付近）の光の第２観測値ｘ２の検出に加え、第１波長帯域及び第２波長帯域以外の第３波長帯域（例えば、２．３μｍ付近）の光の第３観測値ｘ３を観測する。
(First processing section of three-wavelength system)
The
観測部１２を３波長方式とした場合、第１処理部１４での火災判断処理は、火災判断条件を３段階に設定して火災を判断する。第１段階の火災判断条件は、前述した２波長方式の第１段階の火災判断条件と同じになる。第２段階の火災判断条件は、第１観測データＸ１と第３観測データＸ３との積分値の相対比（σＸ１／σＸ３）を算出し、この相対比が所定の閾値を超えた場合に、第２段階の火災判断条件を充足したとして次の第３段階に進む。第３段階の火災判断条件は、前述した２波長方式の第２段階の火災判断条件と同じになる。
When the
また、観測部１２を３波長方式とした場合、第２処理部１６での機械学習処理は、学習機械部２６を、第１観測データＸ１、第２データＸ２及び第３観測データＸ３を入力して火災である度合Ｙ１と火災でない度合Ｙ２を算出するように構成し、火災時の第１学習データと通常監視時の第２学習データを収集して機械学習し、その後に、新たに観測された観測データＸ１，Ｘ２，Ｘ３を入力して火災である度合Ｙ１と火災でない度合Ｙ２を分類し、火災である度合Ｙ１を第２火災判断結果Ｅ２として出力するようにする。
In addition, when the
また、観測部１２を３波長方式とした場合の他の実施形態として、第２処理部１６での機械学習処理は、学習機械部２６を、第１観測データＸ１の積分値σＸ１、積分値σｘ１と第２データＸ２の積分値σＸ２との相対比（σＸ１／σＸ２）、及び、積分値σｘ１と第３データＸ３の積分値σＸ３との相対比（σＸ１／σＸ３）を入力して火災である度合Ｙ１と火災でない度合Ｙ２を算出するように構成し、火災時の第１学習データと通常監視時の第２学習データを収集して機械学習し、その後に、新たに観測された観測データＸ１，Ｘ２，Ｘ３を入力して火災である度合Ｙ１と火災でない度合Ｙ２を分類し、火災である度合Ｙ１を第２火災判断結果Ｅ２として出力するようにする。
As another embodiment in which the
（機械学習部）
上記の実施形態で第２処理部１６の機械学習部２６は、火災である度合Ｙ１を第２火災判断結果Ｅ２として火災検出部１８へ出力しているが、これに代えて火災でない度合Ｙ２を第２火災判断結果Ｅ２として出力してもよい。この場合、火災検出部１８は、第１処理部１４が火災と判断する所定条件を満たし（火災と判断し）、且つ、第２処理部１６による第２火災判断結果Ｅ２が所定値、例えば、０．４以下のときに、火災検出とするようにする。
(Machine Learning Department)
In the above embodiment, the machine learning unit 26 of the
（火災報知設備）
上記の実施形態は、トンネル防災設備を例にとるものであったが、これに限定されず、任意であり、例えば、受信機に感知器を接続して火災を監視する火災報知設備に適用してもよい。火災報知設備における本実施形態の火災検出システムは、例えば、炎検出装置を監視領域となる建物の部屋等に設置してもよく、または、屋外に設置して放火等を監視するようにしてもよい。
(Fire alarm system)
The above embodiment has been described with reference to a tunnel disaster prevention system, but is not limited thereto and may be applied to any system, for example, a fire alarm system that monitors fires by connecting a sensor to a receiver. In the fire detection system of the present embodiment in a fire alarm system, for example, a flame detection device may be installed in a room of a building that is a monitoring area, or may be installed outdoors to monitor arson, etc.
（その他）
また、本発明は、その目的と利点を損なうことのない適宜の変形を含み、更に、上記の実施形態に示した数値による限定は受けない。
(others)
Furthermore, the present invention includes appropriate modifications that do not impair the objects and advantages of the present invention, and is not limited to the numerical values shown in the above embodiment.
１０（１０－１），１０（１０－２）：火災検出システム
１２：観測部
１２ａ：第１観測部
１２ｂ：第２観測部
１３：観測データ生成部
１４：第１処理部
１６：第２処理部
１８：火災検出部
２０：炎検出装置
２２ａ，２２ｂ：センサ部
２４ａ，２４ｂ：増幅処理部
２５：透光性窓
２６：機械学習部
２８：学習モデル部
３０：学習制御部
３２：学習データ記憶部
４０：防災受信盤
４２：制御部
４４:警報部
Reference Signs 10 (10-1), 10 (10-2): Fire detection system 12: Observation unit 12a: First observation unit 12b: Second observation unit 13: Observation data generation unit 14: First processing unit 16: Second processing unit 18: Fire detection unit 20:
Claims (19)
前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出する防災受信盤と、
を備え、
前記炎検出装置による前記第１火災判断結果と前記防災受信盤による前記第２火災判断結果とに基づいて、火災を検出することを特徴とする火災検出システム。
a flame detection device that observes an observation target in a monitoring area, collects observation data, and executes a predetermined fire determination process on the observation data to obtain a first fire determination result;
A disaster prevention receiving panel that executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
Equipped with
A fire detection system characterized by detecting a fire based on the first fire judgment result by the flame detection device and the second fire judgment result by the disaster prevention receiving panel .
前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出する防災受信盤と、
を備え、
前記炎検出装置は、前記第１火災判断結果と前記防災受信盤による前記第２火災判断結果とに基づいて、火災を検出することを特徴とする火災検出システム。
a flame detection device that observes light emission from a monitoring area to collect observation data and executes a predetermined fire determination process on the observation data to obtain a first fire determination result;
A disaster prevention receiving panel that executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
Equipped with
A fire detection system characterized in that the flame detection device detects a fire based on the first fire judgment result and the second fire judgment result by the disaster prevention receiving panel .
監視領域からの光の放射を観測する観測部と、
前記観測部で観測して収集した観測データに所定の火災判断処理を実行して第１火災判断結果を取得する第１処理部と、
前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出する第２処理部と、
前記第１火災判断結果と前記第２火災判断結果とに基づいて、前記監視領域の火災を検出する火災検出部と、
を備え、
前記観測部、前記第１処理部及び前記火災検出部は、前記炎検出装置に設けられ、
前記第２処理部は、前記防災受信盤に設けられたことを特徴とする火災検出システム。
A fire detection system including a flame detection device and a disaster prevention receiving panel to which the flame detection device is connected,
an observation unit for observing light emission from a monitoring area;
a first processing unit that executes a predetermined fire determination process on the observation data observed and collected by the observation unit to obtain a first fire determination result;
A second processing unit that executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
a fire detection unit that detects a fire in the monitoring area based on the first fire judgment result and the second fire judgment result;
Equipped with
The observation unit, the first processing unit, and the fire detection unit are provided in the flame detection device,
A fire detection system, characterized in that the second processing unit is provided in the disaster prevention receiving panel .
前記第２火災判断結果は、火災でない場合の０から火災である場合の１の範囲の値となることを特徴とする火災検出システム。
The fire detection system according to claim 3,
A fire detection system, characterized in that the second fire judgment result is a value ranging from 0 if there is no fire to 1 if there is a fire.
前記第２処理部は、
前記観測データを入力して前記第２火災判断結果を出力する機械学習部を備え、
前記機械学習部は、
少なくとも前記第２火災判断結果が０となる場合を正解とする通常監視時の前記観測データを予め学習データとして入力して機械学習し、
前記機械学習後に新たに観測された前記観測データを入力して前記第２火災判断結果を出力する、
ことを特徴とする火災検出システム。
The fire detection system according to claim 4,
The second processing unit is
A machine learning unit that inputs the observation data and outputs the second fire determination result,
The machine learning unit is
The observation data during normal monitoring is input as learning data in advance, and machine learning is performed by determining that at least the second fire judgment result is 0 as a correct answer;
The observation data newly observed after the machine learning is input, and the second fire determination result is output.
A fire detection system comprising:
前記観測部は、
前記火災に伴い炎から放射された第１波長帯域の光の第１観測データと、
前記第１波長帯域以外の光の第２観測データと、
を収集し、
前記第１処理部は、前記第１観測データ及び第２観測データに基づいて、前記第１火災判断結果を取得し、
前記第２処理部は、前記第１観測データ及び第２観測データに基づいて、前記第２火災判断結果を算出する、
ことを特徴とする火災検出システム。
The fire detection system according to any one of claims 3 to 5,
The observation unit includes:
First observation data of light in a first wavelength band emitted from a flame associated with the fire;
Second observation data of light outside the first wavelength band; and
Collect and
The first processing unit acquires the first fire determination result based on the first observation data and the second observation data,
The second processing unit calculates the second fire determination result based on the first observation data and the second observation data.
A fire detection system comprising:
前記観測部は、
前記火災に伴い炎から放射された第１波長帯域の光の第１観測データと、
前記第１波長帯域以外の光の第２観測データと、
を収集し、
前記第１処理部は、前記第１観測データの所定期間ごとの第１積分値と、当該第１積分値と前記第２観測データの所定期間ごとの第２積分値との比率に基づいて、前記第１火災判断結果を取得し、
前記第２処理部は、前記第１処理部で生成された前記第１積分値と前記比率に基づいて、前記第２火災判断結果を算出する、
ことを特徴とする火災検出システム。
The fire detection system according to any one of claims 3 to 5,
The observation unit includes:
First observation data of light in a first wavelength band emitted from a flame associated with the fire;
Second observation data of light outside the first wavelength band; and
Collect and
The first processing unit acquires the first fire determination result based on a first integral value of the first observation data for each predetermined period and a ratio between the first integral value and a second integral value of the second observation data for each predetermined period,
The second processing unit calculates the second fire determination result based on the first integral value generated by the first processing unit and the ratio.
A fire detection system comprising:
前記火災検出部は、前記第１火災判断結果が所定条件を満たし、且つ、前記第２火災判断結果が所定値以上又は前記所定値を超えた場合に、火災検出とする、
ことを特徴とする火災検出システム。
A fire detection system according to any one of claims 3 to 7,
The fire detection unit determines that a fire has been detected when the first fire judgment result satisfies a predetermined condition and the second fire judgment result is equal to or greater than a predetermined value or exceeds the predetermined value.
A fire detection system comprising:
前記火災検出部は、
前記第１火災判断結果が前記所定条件を満たし、且つ、前記第２火災判断結果が前記所定値未満若しくは前記所定値以下の場合、又は、
前記第１火災判断結果が前記所定条件を満たさず、且つ、前記第２火災判断結果が前記所定値以上若しくは前記所定値を超えた場合に、火災予兆検出とする、
ことを特徴とする火災検出システム。
9. The fire detection system according to claim 8,
The fire detection unit includes:
When the first fire judgment result satisfies the predetermined condition and the second fire judgment result is less than the predetermined value or equal to or less than the predetermined value, or
When the first fire judgment result does not satisfy the predetermined condition and the second fire judgment result is equal to or greater than the predetermined value, a fire sign is detected.
A fire detection system comprising:
前記炎検出装置は、前記監視領域の火災を検出した場合に、火災検出信号を前記防災受信盤へ送信し、
前記防災受信盤は、前記火災検出信号を受信した場合に、火災警報を出力することを特徴とする火災検出システム。
10. The flame detection system according to claim 3,
When the flame detection device detects a fire in the monitoring area, the flame detection device transmits a fire detection signal to the disaster prevention receiving panel,
The fire detection system is characterized in that the disaster prevention receiving panel outputs a fire alarm when the fire detection signal is received .
防災受信盤により、前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出し、
前記第１火災判断結果と前記第２火災判断結果とに基づいて、火災を検出することを特徴とする火災検出方法。
Observing an object in a monitoring area by a flame detection device to collect observation data, and executing a predetermined fire determination process on the observation data to obtain a first fire determination result;
The disaster prevention receiving panel executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
A fire detection method, comprising: detecting a fire based on the first fire judgment result and the second fire judgment result .
防災受信盤により、前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出し、
前記炎検出装置により、前記第１火災判断結果と前記防災受信盤による前記第２火災判断結果とに基づいて、火災を検出することを特徴とする火災検出方法。
Observing light radiation from the monitoring area by the flame detection device to collect observation data , and executing a predetermined fire determination process on the observation data to obtain a first fire determination result;
The disaster prevention receiving panel executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
A fire detection method , comprising the steps of: detecting a fire by the flame detection device based on the first fire judgment result and the second fire judgment result by the disaster prevention receiving panel .
観測部により、監視領域からの光の放射を観測し、
第１処理部により、前記観測部で観測して収集した観測データに所定の火災判断処理を実行して第１火災判断結果を取得し、
第２処理部により、前記観測データに所定の機械学習処理に基づく火災判断処理を実行して第２火災判断結果を算出し、
火災検出部により、前記第１火災判断結果と前記第２火災判断結果とに基づいて、前記監視領域の火災を検出する、
ことを特徴とする火災検出方法。
A fire detection method using a flame detection device provided with an observation unit, a first processing unit, and a fire detection unit, and a disaster prevention receiving panel provided with a second processing unit connected to the flame detection device,
The observation unit observes the light emitted from the monitored area;
A first processing unit executes a predetermined fire judgment process on the observation data observed and collected by the observation unit to obtain a first fire judgment result;
A second processing unit executes a fire judgment process based on a predetermined machine learning process on the observation data to calculate a second fire judgment result;
a fire detection unit detects a fire in the monitored area based on the first fire judgment result and the second fire judgment result;
A fire detection method comprising:
前記第２火災判断結果は、火災でない場合の０から火災である場合の１の範囲の値となることを特徴とする火災検出方法。
14. The fire detection method according to claim 13, further comprising:
A fire detection method, characterized in that the second fire judgment result is a value ranging from 0 if there is no fire to 1 if there is a fire.
前記第２処理部は、
前記観測データを入力して前記第２火災判断結果を出力する機械学習部を備え、
前記機械学習部により、
少なくとも前記第２火災判断結果が０となる場合を正解とする通常監視時の前記観測データを予め学習データとして入力して機械学習し、
前記機械学習後に新たに観測された前記観測データを入力して前記第２火災判断結果を出力する、
ことを特徴とする火災検出方法。
15. The fire detection method according to claim 14, further comprising:
The second processing unit is
A machine learning unit that inputs the observation data and outputs the second fire determination result,
The machine learning unit:
The observation data during normal monitoring is input as learning data in advance, and machine learning is performed by determining that at least the second fire judgment result is 0 as a correct answer;
The observation data newly observed after the machine learning is input, and the second fire determination result is output.
A fire detection method comprising:
前記観測部により、
前記火災に伴い炎から放射された第１波長帯域の光の第１観測データと、
前記第１波長帯域以外の光の第２観測データと、
を収集し、
前記第１処理部により、前記第１観測データ及び第２観測データに基づいて、前記第１火災判断結果を取得し、
前記第２処理部により、前記第１観測データ及び第２観測データに基づいて、前記第２火災判断結果を算出する、
ことを特徴とする火災検出方法。
A fire detection method according to any one of claims 13 to 15, comprising:
The observation unit
First observation data of light in a first wavelength band emitted from a flame associated with the fire;
Second observation data of light other than the first wavelength band; and
Collect and
The first processing unit acquires the first fire judgment result based on the first observation data and the second observation data,
The second processing unit calculates the second fire determination result based on the first observation data and the second observation data.
A fire detection method comprising:
前記観測部により、
前記火災に伴い炎から放射された第１波長帯域の光の第１観測データと、
前記第１波長帯域以外の光の第２観測データと、
を収集し、
前記第１処理部により、前記第１観測データの所定期間ごとの第１積分値と、当該第１積分値と前記第２観測データの所定期間ごとの第２積分値との比率に基づいて、前記第１火災判断結果を取得し、
前記第２処理部により、前記第１積分値と前記比率に基づいて、前記第２火災判断結果を算出する、
ことを特徴とする火災検出方法。
A fire detection method according to any one of claims 13 to 15, comprising:
The observation unit
First observation data of light in a first wavelength band emitted from a flame associated with the fire;
Second observation data of light outside the first wavelength band; and
Collect and
The first processing unit acquires the first fire judgment result based on a first integral value of the first observation data for each predetermined period and a ratio between the first integral value and a second integral value of the second observation data for each predetermined period,
The second processing unit calculates the second fire determination result based on the first integral value and the ratio.
A fire detection method comprising:
前記火災検出部は、
前記第１火災判断結果が所定条件を満たし、且つ、前記第２火災判断結果が所定値以上又は前記所定値を超えた場合に、火災検出とする、
ことを特徴とする火災検出方法。
A fire detection method according to any one of claims 13 to 17, comprising:
The fire detection unit includes:
When the first fire judgment result satisfies a predetermined condition and the second fire judgment result is equal to or greater than a predetermined value, a fire is detected.
A fire detection method comprising:
前記火災検出部は、
前記第１火災判断結果が前記所定条件を満たし、且つ、前記第２火災判断結果が前記所定値未満若しくは前記所定値以下の場合、又は、
前記第１火災判断結果が前記所定条件を満たさず、且つ、前記第２火災判断結果が前記所定値以上若しくは前記所定値を超えた場合に、火災予兆検出とする、
ことを特徴とする火災検出方法。 20. The fire detection method of claim 18, further comprising:
The fire detection unit includes:
When the first fire judgment result satisfies the predetermined condition and the second fire judgment result is less than the predetermined value or equal to or less than the predetermined value, or
When the first fire judgment result does not satisfy the predetermined condition and the second fire judgment result is equal to or greater than the predetermined value, a fire sign is detected.
A fire detection method comprising:
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2024229752A JP7820490B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
| JP2024229755A JP7820491B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020133171 | 2020-08-05 | ||
| JP2020133171 | 2020-08-05 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024229752A Division JP7820490B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
| JP2024229755A Division JP7820491B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022031076A JP2022031076A (en) | 2022-02-18 |
| JP7613871B2 true JP7613871B2 (en) | 2025-01-15 |
Family
ID=80325140
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020170526A Active JP7613871B2 (en) | 2020-08-05 | 2020-10-08 | Fire detection system and fire detection method |
| JP2024229755A Active JP7820491B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
| JP2024229752A Active JP7820490B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024229755A Active JP7820491B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
| JP2024229752A Active JP7820490B2 (en) | 2020-08-05 | 2024-12-26 | Fire Detection Systems |
Country Status (1)
| Country | Link |
|---|---|
| JP (3) | JP7613871B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115762042B (en) * | 2022-12-23 | 2025-05-23 | 青鸟消防股份有限公司 | Flame detection method and flame detector for infrared sensor |
| CN120412184B (en) * | 2025-07-01 | 2025-09-12 | 长春工程学院 | Fire emergency management system and fire prediction method |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007048225A (en) | 2005-08-12 | 2007-02-22 | Hochiki Corp | Fire detection equipment |
| JP2013072834A (en) | 2011-09-29 | 2013-04-22 | Hochiki Corp | Flame sensor and method for determining flame |
| JP2018088105A (en) | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | Monitoring system |
| JP2019191902A (en) | 2018-04-25 | 2019-10-31 | ホーチキ株式会社 | Flame detection device |
| JP2020094916A (en) | 2018-12-13 | 2020-06-18 | 深田工業株式会社 | Anomaly detector |
| JP2020106875A (en) | 2018-12-26 | 2020-07-09 | ホーチキ株式会社 | Fire detector and tunnel disaster prevention system |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09161169A (en) * | 1995-12-12 | 1997-06-20 | Nohmi Bosai Ltd | Fire alarm device |
| US9459142B1 (en) * | 2015-09-10 | 2016-10-04 | General Monitors, Inc. | Flame detectors and testing methods |
| JP6968681B2 (en) * | 2016-12-21 | 2021-11-17 | ホーチキ株式会社 | Fire monitoring system |
| KR101767980B1 (en) | 2017-04-11 | 2017-08-14 | 김수언 | Intelligent flame detector and flame detecting method by using infrared thermal camera |
| JP6943401B2 (en) * | 2017-10-27 | 2021-09-29 | ホーチキ株式会社 | Fire monitoring system |
-
2020
- 2020-10-08 JP JP2020170526A patent/JP7613871B2/en active Active
-
2024
- 2024-12-26 JP JP2024229755A patent/JP7820491B2/en active Active
- 2024-12-26 JP JP2024229752A patent/JP7820490B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007048225A (en) | 2005-08-12 | 2007-02-22 | Hochiki Corp | Fire detection equipment |
| JP2013072834A (en) | 2011-09-29 | 2013-04-22 | Hochiki Corp | Flame sensor and method for determining flame |
| JP2018088105A (en) | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | Monitoring system |
| JP2019191902A (en) | 2018-04-25 | 2019-10-31 | ホーチキ株式会社 | Flame detection device |
| JP2020094916A (en) | 2018-12-13 | 2020-06-18 | 深田工業株式会社 | Anomaly detector |
| JP2020106875A (en) | 2018-12-26 | 2020-07-09 | ホーチキ株式会社 | Fire detector and tunnel disaster prevention system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7820491B2 (en) | 2026-02-25 |
| JP7820490B2 (en) | 2026-02-25 |
| JP2022031076A (en) | 2022-02-18 |
| JP2025036613A (en) | 2025-03-14 |
| JP2025036614A (en) | 2025-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7820491B2 (en) | Fire Detection Systems | |
| US11626008B2 (en) | System and method providing early prediction and forecasting of false alarms by applying statistical inference models | |
| JP6867153B2 (en) | Abnormality monitoring system | |
| Baek et al. | Intelligent multi-sensor detection system for monitoring indoor building fires | |
| CN113936239A (en) | Intelligent fire fighting condition identification method and system based on neural network algorithm | |
| CN112801457B (en) | Fire-fighting linkage method and system based on regional fire risk assessment | |
| CN118968694A (en) | Intelligent fire risk assessment and prevention system | |
| CN119005706B (en) | A smoke exhaust method and system for fire protection engineering | |
| CN119443775A (en) | Community fire warning method combined with knowledge graph | |
| KR20240075314A (en) | Firefighting facility failure prediction system using firefighting facility inspection information and method of using the same | |
| CN118982893A (en) | Smart city fire monitoring and early warning method and system based on the Internet of Things | |
| CN103810809A (en) | Method for judging fire based on DS evidence theory | |
| KR102527546B1 (en) | Disaster occurrence detection Method And System for rapid evacuation | |
| KR102690882B1 (en) | Fire detection and exit course guide system | |
| Andreev et al. | Fire alarm systems construction on artificial intelligence principles | |
| CN120510673A (en) | Intelligent fireproof door triggering alarm system and method | |
| JP2026071388A (en) | Fire detection method | |
| CN119007371A (en) | Fire monitoring and alarming method and device for building group | |
| CN111882800B (en) | Fire-fighting early warning method and system based on multi-dimensional data linkage | |
| JP3151470B2 (en) | Fire property monitoring system | |
| CN117275161A (en) | Fire detection method based on multi-sensor dynamic time warping | |
| Essien | Enhancing Feature Discretization in Alarm and Fire Detection Systems Using Probabilistic Inference Models | |
| Grigoreva et al. | Research of fire detection speed in an industrial premises using the “smart manufactiring” system based on the internet of thing technology | |
| KR102842596B1 (en) | EDGE DEVICE WITH AIoT APPLIED TO REDUCE TUNNEL FIRE ACCIDENT RISK AND FIRE DETECTION SYSTEM INCLUDING THE DEVICE | |
| Minor et al. | A full-scale prototype multisensor system for fire detection and situational awareness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230914 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240724 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240807 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240927 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20241211 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20241226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7613871 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |